OpenAIs GPT-4o-image API representerer et betydelig fremskritt i multimodale AI-modeller. Denne API-en muliggjør generering av bilder av høy kvalitet fra tekstbeskrivelser, og sømløst integrering av visuelt innhold i ulike applikasjoner.
Tekniske spesifikasjoner for GPT-4o-image API
GPT-4o-image API er en komponent av OpenAIs GPT-4o-modell, en autoregressiv omni-modell som aksepterer innganger i tekst-, lyd-, bilde- og videoformater, og genererer utdata i tekst-, lyd- og bildeformater. Denne ende-til-ende-treningen på tvers av flere modaliteter lar modellen behandle og generere forskjellige datatyper ved hjelp av et enhetlig nevralt nettverk. Spesielt kan GPT-4o svare på lydinnganger med latens som kan sammenlignes med menneskelige responstider, i gjennomsnitt rundt 320 millisekunder. Den matcher GPT-4 Turbos ytelse i engelsk tekst- og kodingsoppgaver, med betydelige forbedringer i ikke-engelsk språkbehandling og synsevner. I tillegg er GPT-4o raskere og 50 % mer kostnadseffektiv i API-bruk sammenlignet med forgjengerne.